APPRENDIMENTO E RAGIONAMENTO IN UNA STRUTTURA IBRIDA

Titolo originale:

LEARNING & REASONING IN HYBRID STRUCTURE

Contenuto del libro:

Le applicazioni di intelligenza artificiale spesso implicano la gestione dell'incertezza, come ad esempio un ambiente parzialmente osservato o osservazioni rumorose.

La teoria della probabilità è un modo per modellare l'incertezza, ma la maggior parte degli attuali modelli probabilistici non è in grado di gestire domini numerici e logici ibridi. I modelli ibridi continui/discreti esistenti sono tipicamente limitati, senza garanzie sull'errore di approssimazione, per cui molti problemi del mondo reale sono fuori dalla portata dei sistemi attuali.

Questo libro, Learning And Reasoning In Hybrid Structured Spaces, propone un formalismo recente e generale chiamato Weighted Model Integration (wmi), che consente la modellazione e l'inferenza probabilistica in domini strutturati ibridi. Gli algoritmi di inferenza basati su wmi si differenziano dalla maggior parte delle alternative per il fatto che le probabilità sono calcolate all'interno di un supporto strutturato che coinvolge sia relazioni logiche che algebriche tra le variabili. La ricerca in quest'area è ancora in fase iniziale, ma c'è un crescente interesse nello studio di modelli probabilistici ibridi e simbolici e nello sviluppo di procedure di inferenza scalabili e di algoritmi di apprendimento efficaci, e il libro riporta uno studio sulle tecniche di ragionamento e apprendimento scalabili nel contesto del Wmi.

Offrendo una visione di un'importante direzione di ricerca, il libro sarà interessante per coloro che desiderano saperne di più sull'abilitazione dell'inferenza probabilistica scalabile nelle applicazioni di intelligenza artificiale... Fornito dall'editore.